基于LSTM-RF模型的城市道路交通流预测（英文）

交通流预测作为信号协调和出行时间预测等任务的基础,成为了交通领域的研究点。对于交通流预测问题,研究人员提出了多种方法,但这些方法大多只使用交通流数据的时域信息进行交通流预测,忽略了空间相关性对于预测目标路段流的影响,导致预测精度不理想。基于组合模型的思想提出了一种称为LSTM-RF的交通流预测模型。在交通流预测过程中,首先使用LSTM模型提取预测目标路段的时序特征,再将其预测值与采集的相邻上下游路段信息同时作为随机森林模型的输入特征,进行交通流时空相关性分析,获得最终的预测结果。并通过贵阳市车牌识别系统采集的城区132条路段的交通流数据进行实验验证。结果表明:该方法在预测精度上优于单一模型,并且预测误差相比单一模型有明显减少。     

基于小波去噪和LSTM模型的短时交通流预测

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。     

基于小波去噪和LSTM模型的短时交通流预测（英文）

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。     

基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测

及时准确的交通流信息对于智能交通系统的实现至关重要。针对现有预测方法不能充分利用交通流的时空特征,进而不能很好地提取交通流序列内在规律的问题,提出了一种结合卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的深度学习预测模型(C-BiLSTM),在网络底层利用一维CNN来捕获观测点交通流数据的空间特征,然后输入到双向LSTM网络提取时间周期特征,最后由全连接层输出预测结果。使用美国交通研究数据实验室的实测交通数据进行验证,结果表明,所提出的C-BiLSTM组合模型具有更高的准确性,其性能相比双向LSTM网络预测模型提升了1. 6%,相比单向LSTM网络预测模型提升了6. 6%,是一种高精度的交通流预测模型。     

预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明：相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。     

基于高斯过程潜力模型的刀具磨损预测

刀具磨损预测对于提高加工精度和生产效率具有重要意义。刀具磨损预测模型主要包括基于物理的模型和基于数据驱动的模型。基于物理的模型一般使用经验公式或简化公式对刀具磨损过程进行建模，在切削参数变化的情况下其预测精度通常会变低。另一方面，数据驱动模型通过测量数据来估计刀具磨损，没有考虑刀具磨损机理，导致模型泛化性和结果可解释性较差。为了解决这些问题，提出了一种新的用于刀具磨损预测的高斯过程潜力模型。所提出的模型使用高斯过程对刀具磨损物理模型的未知参数进行建模，建立了一个物理信息机器学习模型。高斯过程潜力模型不仅避免了物理模型的参数识别，而且挖掘了来自物理域和数据域的隐藏信息。此外，通过将物理模型与高斯过程的协方差函数相结合，构建了一个物理信息协方差函数来约束模型的输出，提高了预测精度。多工况试验结果表明，所提方法的绝对平均误差和均方根误差分别为2.5945、3.740 8，比传统数据驱动模型的预测误差要更小，预测精度进一步提升。     

基于组合模型的滚动轴承故障预测研究

针对轴承故障预测可使用的样本数据少、特征参数信息贫乏且呈现非线性、不确定性等特点,提出一种基于改进灰色GM(1,1)和遗传算法优化的BP神经网络的组合预测模型。首先,根据各单一模型在当前时段的预测误差,通过最小二乘法确定出在未来时段中两种单一模型的权重,然后将预测结果进行加权求和,得到最终的组合模型预测值。该模型既能实现灰色GM(1,1)模型处理小样本的轴承振动数据预测的目标,也能发挥BP神经网络解决非线性拟合问题的优势。最后,将组合模型与各单一模型进行实例数据分析,结果表明组合模型的预测精度为96.63%,比上述子模型的预测结果分别提高了7.84%和6.13%。     

考虑控制电信号中间量的机床运动控制误差数据驱动建模方法

现有数据驱动的机床运动控制误差建模方法通常使用端到端的模型,即通过机器学习算法直接构建参考轨迹信息(速度、加速度等)与伺服误差之间的模型,以降低建模复杂度。然而,该方法忽视了控制电信号对运动控制系统非线性扰动的反映,而导致建立的模型精度受限。为解决此问题,提出了一种使用控制电信号作为中间量的数据驱动运动控制误差建模方法。该方法采集参考轨迹信息(速度、加速度、急动度等)、控制电信号、跟踪误差以及构造的换向特征,构建并训练基于参考轨迹信息的控制电信号预测网络,以及基于电信号和参考轨迹信息的运动控制误差预测网络,利用控制电信号这一中间量有效反应系统所受非线性扰动的特点,实现了高精度的运动控制误差数据驱动建模。在实际验证测试时,将参考轨迹信息输入电信号预测网络,而后将得到的预测控制电信号和参考轨迹信息输入跟踪误差预测网络,即可实现运动控制误差的预测。通过实验对所提出的建模方法进行了验证,所提出方法相对于传统的端到端建模方法,运动控制误差的预测精度在X轴和Y轴分别提升16.33%和20.42%,误差补偿后运动控制轮廓精度相较于未补偿提升85.59%,验证了所提出方法的可行性。     

基于灰色支持向量机的液压泵寿命预测方法

针对单方法所建液压泵寿命预测模型精度较低的缺陷,提出基于灰色理论和支持向量机的组合预测模型的液压泵寿命预测方法.该方法通过灰色累加生成操作对原始序列进行数据处理,以增强数据的规律性;运用最小最终误差预测准则确定嵌入维数,选择模型的参数;采用支持向量机进行预测,利用灰色累减生成操作还原数据,得到预测结果.选取液压油的光谱分析数据作为液压泵的寿命特征信息,采用该模型对液压泵进行寿命预测,并与灰色模型、单一支持向量机模型进行预测性能对比.结果表明,灰色支持向量机预测性能最优,精度达到99.37％,为液压泵性能评估和寿命预测提供一种更为有效的方法.     

基于双目标模型的时空上下文跟踪算法

传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性,故目标被长时间遮挡后,目标模型容易被错误更新且难以修正。因此,本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性,并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征,在目标被长时间遮挡后也能准确评估更新内容的有效性,并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明,改进算法在测试数据集上的跟踪成功率为82%,中心偏差为8pixels;在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升,实现了目标的可靠跟踪。     

舰载光电跟踪设备的目标预测算法研究

舰载光电跟踪设备在跟踪百公里以上的目标时,由于受到障碍物干扰,目标有时可能从视场中丢失,需采用记忆跟踪算法对目标的未来时刻位置进行预测,重新找回目标。常规的CA、CV模型预测目标时忽略了残差,记忆跟踪时间短,从而造成预测目标不够精确。针对以上问题,提出了Kalman目标预测模型,延长记忆跟踪时间。首先,由船地坐标转换公式推导了甲板坐标系下船摇速度,前馈到伺服控制系统速度回路中,保证视轴自稳定,同时提高跟踪精度;其次,概述了CA、CV、Kalman目标预测模型;最后,重点论述了3种目标预测模型记忆跟踪和实时雷达引导二维位置信息之间的关系。试验结果表明,本文由于引入了Kalman目标预测模型,使得记忆跟踪时间比传统的CA、CV模型的预测目标时间提高了一个数量级。解决了工程中舰载光电跟踪设备受船摇影响时跟踪精度低和记忆跟踪时间短的问题。     

基于变分模态分解与集成深度模型的 锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要。由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差。针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全局退化趋势和局部随机波动分量;然后,分别采用多层感知机(MLP)和长短期记忆神经网络(LSTM)对全局退化趋势和各波动分量进行建模;最后,将各个分量子模型的预测结果进行集成,获得最终的锂电池剩余寿命预测结果。实验结果表明,该方法具有较高的预测精度与稳定性。     

气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题，提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先，从时域、频域及时频域特征中提取特征参数；其次，定义三个评价指标定量评估表征轴承退化过程的特征参数效果，筛选得到退化特征参数集，搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络；最后，用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明，该方法可以准确预测滚动轴承剩余寿命，并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine，简称SVRM）的预测效果对比，验证了提出方法的有效性。     

地铁环境振动源强测试与评价标准分析

实测南昌地铁1号线隧道内约200趟列车通过邻近非减振与减振断面的振动响应。基于不同振动评价标准,从统计角度分析了不同车次列车运行对时域和频域的影响、测点位于隧道壁不同高度对振动源强值及钢弹簧浮置板减振量评价的影响。分析结果表明:钢弹簧浮置板隧道壁上的减振效果明显,但浮置板本身的振动响应大幅增加。不同车次对各测点低频段及隧道壁高测点影响较大,但对Z振级影响较小。振动在隧道壁上低频段有所放大。由隧道壁低测点测得的最大Z振级最适合评价地铁源强值,南昌地铁实测源强值为76.66 d B。不同高度测点及不同评价标准对浮置板减振量评价有较大影响,建议采用低测点最大Z振级评价浮置板减振量。     

气动准零非线性隔振器的刚度特性与参数调控

针对大载荷、低动态频率的机械装备的隔振需求，提出了气动准零刚度非线性隔振技术方案，利用气体负压为静载、波纹管结构提供动刚度，实现了隔振装置的高静态低动态刚度特性。阐述了光滑型气动准零隔振器的结构及工作原理，根据气体状态方程推导了隔振装置的非线性刚度理论模型。为了得到符合设计要求的刚度特性，分别研究了气体占比与初始压强等参数对隔振装置刚度特性的调控规律，发现了合理的气/液比例，既可以实现较低的动态刚度，同时起到大幅振动下位移限位的效果。探讨了过载加速度对隔振系统固有特性的影响，研究发现，过载的存在使得隔振静平衡位置偏离设计的平衡点，因此其线化系统固有频率会发生较明显的变化，这是工程设计根据实际情况需要考量的一点。     

基于随机森林算法的改性水润滑轴承摩擦性能预测*

为验证随机森林算法在预测改性水润滑轴承摩擦学性能上的可行性,利用Python编写算法,并通过已知实验数据进行仿真建模。通过已知数据对算法的准确性进行验证,其接受者操作特征（ROC）曲线的均值为0.85,证明模型的准确性较高。在不同温度及载荷工况条件下通过实验对预测模型进行验证,实验结果与预测结果间的误差均在5%左右,表明构建的随机森林模型可以用于改性水润滑轴承的摩擦学性能预测。研究结果表明：温度对于该改性水润滑轴承的平均摩擦因数有较大的影响,而负载对平均摩擦因数的影响较小,但是对于轴承的运转稳定性影响较大。     

基于多头注意力的CNN-LSTM的换道意图预测

自动驾驶车辆与传统车辆混行的交通环境中,车辆的换道意图预测能够为自动驾驶车辆安全行驶提供有效保证。为了更准确地预测车辆的换道意图,将多头注意力与卷积神经网络(Convolution neural network,CNN)和长短时记忆(Long-short term memory,LSTM)网络结合,提出一种新型车辆换道意图预测算法。首先对NGSIM(Next generation Simulaion)数据集进行处理,提取车辆横向位置信息和周围环境信息。然后输入基于多头注意力(Multi-headattention)的CNN-LSTM模型,提高对输入序列特征的提取能力和预测精度。最后在NGSIM数据集验证该模型的有效性。试验结果表明,该模型能够从大量数据中提取到重要特征,同时通过特征对比试验发现,横向位置信息作为预测的主要特征,而周围环境信息作为预测的辅助特征。最后通过模型的对比试验得出,该模型的换道意图预测准确率在换道前1s、2s、3s相比于LSTM、CNN、CNN-LSTM模型具有更好的预测精度,可以为自动驾驶汽车设计先进的意图预测算法提供帮助和参考。     

基于逆传播算法的十字路口交通流预测

采集十字路口为期1个月的数据样本,运用逆传播算法建立预测模型,预测该十字路口的交通流。Matlab仿真试验表明,与常规模型相比,逆传播算法的预测模型不但预测精度有明显提高,并且训练时间较短。     

毫米波雷达微弱行人轨迹跟踪-预测一体化方法

针对城市道路场景微弱行人目标雷达回波信号极易被强背景杂波淹没,导致目标轨迹跟踪及预测失效难题,提出了一 种基于调频连续波-多输入多输出毫米波雷达的微弱行人轨迹跟踪-预测一体化方法。 首先,利用递归贝叶斯检测前跟踪算 法,直接从未经阈值处理的雷达三维原始频谱数据中提取目标运动轨迹,解决了传统阈值决策信息丢失带来的跟踪性能下降问 题,并在此基础上提出了一种基于 Transformer 的端到端轨迹预测模型,进一步挖掘隐藏在跟踪轨迹中的时空相关性,完成了微 弱行人目标轨迹的精准预测。 实验结果表明,方法在信噪比大于-20 dB 时,预测轨迹的平均位移误差和最终位移误差分别小 于 0. 706、1. 215 m,均优于高斯过程、长短期记忆网络等传统方法。